II.10Разработка и эксплуатация AI/ML-систем

SEW-tiny — предварительно обученная речевая модель архитектуры Squeezed and Efficient Wav2vec от ASAPP Research. Она предназначена для извлечения признаков из аудио и последующей настройки под прикладные задачи: распознавание речи, идентификацию говорящего, классификацию намерений и распознавание эмоций. Модель содержит 50,3 млн параметров и обучена на речевом аудио с частотой дискретизации 16 кГц; для работы входное аудио также должно иметь частоту 16 кГц. SEW разработана как более эффективная альтернатива wav2vec 2.0: в описанном исследовании архитектура показала ускорение инференса и снижение частоты ошибок слов на LibriSpeech. Эта карточка представляет базовую модель, которую следует дообучить для выбранной задачи; готовая транскрипция или классификация напрямую не заявлена. Модель доступна по лицензии Apache-2.0.

mlx-community/smart-turn-v3 — версия модели pipecat-ai/smart-turn-v3, преобразованная в формат safetensors для использования с mlx-audio. Модель предназначена для семантического определения конца реплики в аудиопотоке, помогая понять, закончил ли говорящий фразу и когда можно передавать очередь следующему участнику диалога. Карточка указывает семейство smart_turn и плотную архитектуру; модель относится к задачам обнаружения голосовой активности. Она опубликована под лицензией BSD-2-Clause. Подробности о размере, контексте и поддерживаемых языках в предоставленных данных отсутствуют.

SODA-Agent-Safety-Judge — дообученная Cesun модель-судья на архитектуре Qwen3, предназначенная для оценки безопасности траекторий агентов, использующих инструменты. Она определяет, выполнил ли агент вредоносный запрос или отказал в нём, анализируя многоходовой диалог с вызовами инструментов. Модель основана на Qwen/Qwen3-4B-Instruct-2507, содержит 3,7 млрд параметров и обучена на 170 тыс. оценок из бенчмарка SODA, подготовленных Claude Opus 4.6. Контекст составляет до 262 144 токенов; в метаданных указан английский язык. Модель предназначена для автоматизации оценки в бенчмарках безопасности агентов, включая SODA и AgentHarm, и не является универсальным классификатором безопасности. README сообщает о точности 98,9% на SODA и 97,9% на AgentHarm, но эти показатели относятся к указанным тестовым наборам. Веса опубликованы в формате safetensors по лицензии MIT.

Swin Transformer V2 Small — модель компьютерного зрения семейства Vision Transformer, разработанная авторами Swin Transformer V2 и представленная в статье Liu et al. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений по 1000 классам этого набора данных; также может служить основой для плотных задач распознавания после соответствующей адаптации. Модель строит иерархические карты признаков, объединяя патчи на более глубоких уровнях, и выполняет внимание внутри локальных окон. Версия V2 использует residual post-norm с cosine attention, непрерывное смещение позиций для переноса на более высокие разрешения и метод самоконтролируемого предобучения SimMIM. Размер модели — около 33 млн параметров; предобучение выполнено на изображениях разрешением 256×256. Для практического применения модель принимает изображение и выдаёт метки классов ImageNet. Она подходит для базовой классификации и как визуальный backbone для дальнейшей настройки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Для задач, отличных от классификации, потребуется соответствующая донастройка или другая модельная голова.

Synapse-Guard v1.2 — лёгкая модель классификации текста на основе BERT, разработанная Comunidade Synapse BR для автоматической модерации контента на бразильском португальском языке. Она относит текст к четырём категориям модерации и предназначена для интеграции в чат-боты, социальные сети, форумы, системы комментариев, образовательные и корпоративные платформы, а также API фильтрации спама. Модель содержит 6,7 млн параметров, использует архитектуру BertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 256 токенов. По карточке, модель рассчитана на быструю инференцию и низкое потребление ресурсов; подробные метрики качества не приведены. Версия 1.2 дообучена на Synapse-Guard-v1.1 с использованием Synapse-Guard-Dataset-v1. Модель распространяется по лицензии Apache 2.0. Она не генерирует текст. Возможны ошибки при распознавании иронии, сарказма, неоднозначных сообщений и контента, для понимания которого нужен контекст; для критичных сценариев карточка рекомендует дополнительную проверку человеком.

TinyCast — компактная вероятностная модель для прогнозирования одномерных временных рядов с нуля, разработанная raws-labs. Она не требует подгонки или дообучения для конкретного ряда и выдаёт девять квантилей прогноза. Модель содержит 146 505 параметров и использует десять блоков причинных свёрток Conv1d с растущими дилатациями; механизм внимания отсутствует, а периодичность оценивается отдельно для каждого контекстного окна. В метаданных указан pipeline time-series-forecasting и библиотека tinycast. TinyCast предназначена для потокового прогнозирования на маломощных устройствах, в том числе микроконтроллерах. В README приведены результаты GIFT-Eval и запуск на Cortex-M7 с INT8-квантованием, статическим графом и ограниченной памятью. Модель принимает одномерный числовой временной ряд и выдаёт вероятностный прогноз. Лицензия — Apache-2.0. Модель не использует ковариаты и связи между несколькими рядами. За пределами режимов, представленных в предобучении, качество может незаметно снижаться; оценка периода ограничена разрешением FFT, а нормализация по минимуму и максимуму чувствительна к выбросам. При короткой истории прогноз постепенно приближается по качеству к сезонному наивному базовому методу.

cckm/tinymistral_950m — базовая языковая модель семейства Mistral, опубликованная cckm. Это плотная архитектура MistralForCausalLM примерно на 908,7 млн параметров с 40 слоями и размером скрытого состояния 1440. Модель предназначена для запуска в периферийных приложениях, где важны компактность и генерация текста. Модель обучена примерно на 400 млрд токенов RefinedWeb и 400 млрд токенов FineWeb. Она поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Это базовая модель без дообучения для инструкций или чата, поэтому она предназначена для продолжения текста и требует отдельной адаптации для надёжного выполнения пользовательских инструкций. В README приведены результаты на ARC-C, ARC-E и BoolQ. Модель распространяется в формате safetensors по лицензии MIT.

timm/twins_svt_small.in1k — модель классификации изображений из семейства Twins-SVT, обученная авторами статьи на ImageNet-1k. Её также можно использовать как визуальный backbone и для получения эмбеддингов изображений. Модель содержит 24,1 млн параметров, выполняет 2,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных признаков; архитектура относится к пространственным Vision Transformer. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Карточка не приводит оценки точности и сведений о поддержке других наборов классов или разрешений, поэтому применимость к задачам вне ImageNet-1k требует проверки.

Vanilla — Base (3B) — это базовая языковая модель dlab-spp, обученная с нуля на предсказание следующего токена. Она использует плотную архитектуру семейства Llama, совместимую по форме с Llama 3.2 3B, и токенизатор SmolLM2 с словарём из 49 152 токенов. Модель обучена примерно на 500 млрд токенов из подмножества смеси Olmo 3 Dolma 3; доступные ревизии включают промежуточные контрольные точки обучения. Модель предназначена для продолжения текста, исследований выравнивания и безопасности, анализа поведения базовой модели и дальнейшего дообучения. Это не instruction-tuned модель, и в репозитории нет chat template. Контекст составляет 2048 токенов; модель принимает текст и генерирует текст. Предобучение проходило без вмешательств по безопасности, поэтому модель может выдавать неверный или небезопасный контент. Лицензия указана как other.

Vaniq-Edge — компактная модель синтеза речи, представленная Abiray. Она преобразует английский текст в речь с частотой дискретизации 24 кГц и предназначена для разговорных интерфейсов, микросервисов и устройств с ограниченными ресурсами. Модель содержит 8,5 млн параметров и основана на архитектуре VITS. Для запуска доступен динамический экспорт ONNX, поддерживающий CPU и CUDA; заявлена работа быстрее реального времени на обычном CPU. В README приведены примеры разговорной, технической и повествовательной речи, а также сравнения качества и скорости с другими TTS-моделями. Модель ориентирована на английский язык. Лицензия MIT разрешает свободное использование и распространение с соблюдением её условий. Заявления о качестве и быстродействии основаны на тестах автора; независимые результаты и подробности тестовой среды в карточке не приведены.

VisionReward-Video — модель Z.ai на базе архитектуры CogVLM2 Video с 8,3 млрд параметров. Она предназначена для оценки предпочтений людей по сгенерированным видео: анализирует динамические характеристики ролика и формирует интерпретируемую оценку по нескольким измерениям качества и предпочтений. Модель также описана как часть подхода VisionReward для согласования моделей генерации изображений и видео с человеческими предпочтениями. В исследовании авторов VisionReward-Video превзошла VideoScore на 17,2% в предсказании предпочтений видео. Репозиторий содержит веса Safetensors; заявлены чат-возможности и контекст длиной 2048 токенов. В метаданных указан английский язык. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Модель предназначена для оценки видео и не является генератором видео; результаты отражают предсказание предпочтений и не заменяют человеческую оценку.

Карточка модели maitrix-org/Voila-base на Hugging Face совпадает с карточкой maitrix-org/Voila-Tokenizer, поэтому описание составлено по ней. Voila-Tokenizer — аудиотокенизатор семейства Voila от Maitrix, построенный на архитектуре EnCodec и представленный в формате safetensors. Он предназначен для преобразования аудио в представление, пригодное для работы голосовых языковых моделей и обратного преобразования в аудио; в карточке Hugging Face основная задача отмечена как audio-to-audio. Проект Voila описывает применение токенизатора в единой системе голосовых задач, включая распознавание речи, синтез речи, перевод речи и голосовой диалог в реальном времени. В метаданных перечислены английский, китайский, французский, немецкий, японский и корейский языки. Для семейства Voila заявлены потоковая обработка с низкой задержкой и поддержка множества голосов; конкретные параметры и результаты для этого токенизатора отдельно не приведены. Модель распространяется по лицензии MIT.

Harveenchadha/wav2vec2-pretrained-clsril-23-10k — предварительно обученная модель аудиоречевых представлений на базе wav2vec 2.0, созданная для проекта CLSRIL-23 (Cross Lingual Speech Representations on Indic Languages). Она обучена без учителя на сыром аудио и формирует общие межъязыковые представления речи для 23 индийских языков; размер модели — 113,3 млн параметров. Модель предназначена для извлечения речевых признаков и использования как основы для последующих задач обработки речи. Обучение использует контрастивную задачу над замаскированными скрытыми представлениями и совместное обучение квантизации латентных представлений. Репозиторий содержит веса PyTorch; исходный проект распространяет модели в формате fairseq. Лицензия и ограничения применения в предоставленных данных не описаны.

X2-Turn-4B-0812 — модель x-square-robot для потокового распознавания речи и определения состояния речевого хода в голосовых ассистентах. Она дообучена на базе mistralai/Voxtral-Mini-4B-Realtime-2602: сохраняет ASR-основу и добавляет независимую голову для предсказания turn state. Модель с архитектурой VoxtralRealtimeForConditionalGeneration содержит около 4 млрд параметров и принимает аудио, выдавая потоковую транскрипцию и оценки состояния хода с шагом 80 мс. Модель рассчитана на китайский и английский языки, включая смешанную речь. Её применяют для транскрипции с низкой задержкой, определения момента ответа ассистента, распознавания коротких реплик подтверждения и обнаружения перебивания. В оценке EasyTurn при задержке потока 480 мс авторы сообщают точность классификации состояния хода 91% для китайского и 89,33% для английского по приведённым результатам. Лицензия — Apache-2.0. Точность может снижаться при шуме, эхо, одновременной речи, акцентах, диалектах, переключении языков и потере пакетов. Предсказания границ хода могут колебаться или запаздывать; задержка зависит от оборудования и настроек обслуживания. Для работы с пользовательским аудио нужны надлежащие согласие и защита данных.

bartowski/xLAM-7b-r-GGUF — это набор GGUF-квантизаций модели xLAM-7b-r, разработанной Salesforce и опубликованной для локального запуска через llama.cpp. Модель предназначена прежде всего для function calling, tool use и создания LLM-агентов, то есть для интерпретации запросов и формирования вызовов внешних инструментов. Указан английский язык; модель обучалась на датасете Salesforce/xlam-function-calling-60k. Это текстовая генеративная модель на архитектуре Mistral с размером около 7 млрд параметров, представленная в вариантах от F16 до низкобитных Q2 и IQ2-квантизаций. Доступны файлы различного размера — примерно от 2,5 до 14,5 ГБ, включая варианты, оптимизированные для CPU и ARM. В README не указаны размер контекстного окна и поддержка мультимодальности. Модель не поддерживает системный промпт и ожидает формат запроса <s> [INST] {prompt} [/INST]. Сильная сторона модели — специализация на вызове функций и использовании инструментов, а широкий выбор квантизаций позволяет подбирать баланс между качеством и требованиями к памяти. Ограничения включают заявленную языковую поддержку только английского, отсутствие системного промпта и снижение качества у самых компактных вариантов. Лицензия — CC BY-NC-4.0, то есть использование ограничено некоммерческими условиями; для доступа к репозиторию требуется принять соответствующую лицензию.

YOLO26-L-pose — вариант модели YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек на изображениях. Модель принимает изображения размером 640 пикселей и формирует координаты ключевых точек; заявленные показатели составляют 70,4 mAP Pose при IoU 0,50–0,95 и 90,5 mAP Pose при IoU 0,50 в режиме end-to-end. Архитектура выполняет предсказания напрямую без отдельного этапа NMS, что упрощает развертывание и снижает задержку. Для локализации ключевых точек используются RLE и оптимизированное декодирование; в README также заявлено ускорение CPU-инференса до 43% и ориентация семейства на периферийные и маломощные устройства. Модель распространяется в формате PyTorch по лицензии AGPL-3.0.

YOLO26x-OptiQ-6bit — смешанно-точно квантированная версия YOLO26x от сообщества mlx-community на базе Ultralytics/YOLO26. Модель предназначена для обнаружения объектов на изображениях и работы на Apple Silicon через MLX, используя runtime yolo-mlx. При квантовании optiq назначает слоям разную разрядность по их чувствительности: целевая и достигнутая средняя точность составляют 6 бит на вес, а отдельные слои используют 4- и 8-битное представление. В тесте COCO128 модель показала на 1,1% меньше обнаружений, чем исходная FP32-версия, при сжатии в 4,5 раза. Для запуска требуются mlx-optiq и yolo-mlx. Репозиторий распространяется по лицензии AGPL-3.0; в карточке не приведены сведения о размере модели и длине контекста.

AIGC Detector (MPU), версия Env1, — классификатор текста, разработанный Юйчуанем Тянем и соавторами для работы «Multiscale Positive-Unlabeled Detection of AI-Generated Texts». Модель определяет, был ли текст сгенерирован искусственным интеллектом; версия Env1 обучена на англоязычном наборе HC3-English с применением метода Multiscale Positive-Unlabeled на базе предварительно обученной RoBERTa-Base. Это модель RoBERTa для классификации последовательностей с 151,8 млн параметров и контекстом до 514 токенов. Она принимает текст и выдаёт классификационные метки. Репозиторий содержит веса PyTorch; модель распространяется по лицензии Apache-2.0.

amBART_261 — дообученная модель семейства mBART, разработанная на базе Samuael/amBART_1000. Она предназначена для извлечения признаков из входных данных и может использоваться как компонент в задачах, требующих представления текста в виде признаков. Модель содержит 25,3 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате safetensors. В карточке приведены результаты оценки: loss 1,9604, WER 2,7857, CER 3,6889 и BLEU 0,0; набор данных для дообучения и назначения модели не описаны. Лицензия в предоставленных сведениях не указана.

BalBERT — модель Shah Bakhsh для обработки текста на белуджском языке. Это энкодер на архитектуре XLM-RoBERTa, дообученный методом Domain-Adaptive Pretraining на монолингвальном корпусе из 97 624 предложений. В метаданных указано 305,2 млн параметров, библиотека Transformers и максимальный контекст 514 токенов; README приводит иные значения размера и контекста: около 278 млн параметров и длину до 128 токенов. Основная задача модели — предсказывать скрытые токены в тексте. Её также можно дообучать для классификации текста и разметки токенов, а скрытые состояния энкодера использовать как контекстные представления предложений и токенов. Модель рассчитана на письменный белуджский; работа с устными диалектами и нестандартными вариантами орфографии может требовать дополнительного дообучения. Энкодер не предназначен для генерации длинных текстов. Лицензия — Apache-2.0.

GroNLP разработала эту дообученную модель на базе BERT для выявления оскорбительной и неприемлемой лексики в нидерландских твитах. Она относится к архитектуре BertForSequenceClassification, содержит 136,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для классификации публикаций с оскорблениями, руганью, угрозами и прямыми или завуалированными нападками. В README приведены результаты на DALC v2.0, HateCheck-NL и OP-NL; метрики зависят от набора данных, а оценки на HateCheck-NL показывают, что модель может ошибаться при распознавании как оскорбительных, так и нейтральных примеров. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

tum-nlp/bert-hateXplain — модель классификации текста на основе BERT, разработанная командой tum-nlp. Она дообучена на наборе HateXplain и предназначена для определения токсичного и нетоксичного текста. Модель содержит 12 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. В README указаны F1 0,81 и точность 0,77. Модель подходит для автоматической модерации и предварительной сортировки пользовательских сообщений. Оценки качества приведены без описания протокола и набора проверки, поэтому их переносимость на другие данные не установлена. Карточка не сообщает лицензию.

TurkuNLP/bert-large-finnish-cased-toxicity — модель TurkuNLP для многометочной классификации токсичности финскоязычных текстов. Она дообучена на bert-base-finnish-cased-v1 с использованием набора данных jigsaw_toxicity_pred_fi и предсказывает вероятности шести меток токсичности. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification, содержит 454 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для выявления токсичных высказываний и анализа пользовательского контента на финском языке. README показывает пример использования через Transformers pipeline с функцией sigmoid для получения вероятностей меток. Доступный формат — PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Bielik-4.5B-v3 — генеративная языковая модель, разработанная SpeakLeash совместно с центром высокопроизводительных вычислений ACK Cyfronet AGH. Это базовая модель с архитектурой causal decoder-only, похожей на LLaMA и Mistral, объёмом 4,6 млрд параметров; она инициализирована на основе Qwen2.5 3B. Модель обучали преимущественно на польских текстах из корпуса SpeakLeash и части CommonCrawl: использовано 292 млрд токенов за 1,2 эпохи. Модель предназначена для дальнейшего дообучения под задачи генерации текста на польском языке. Для готового диалогового режима и следования инструкциям разработчики рекомендуют Bielik-4.5B-v3.0-Instruct. Репозиторий содержит веса safetensors и поддерживает загрузку через Transformers. Лицензия — Apache 2.0. Модель хорошо ориентирована на польский язык, но без дообучения не предназначена для взаимодействия с конечными пользователями. Она может генерировать фактически неверные, предвзятые, оскорбительные или неприемлемые тексты, поэтому её ответы требуют проверки и защитных механизмов.

chatglm6b-dddd — личная версия кода для семейства ChatGLM, подготовленная автором yuanzhoulvpi для запуска собственных вариантов ChatGLM после LoRA-дообучения. Это плотная модель ChatGLM с 8,1 млрд параметров, предназначенная для генерации текста; карточка описывает её как совместимый с пользовательскими LoRA-версиями вариант кода, а не сообщает об отдельном обучении весов. Для работы указаны PyTorch и Transformers. В метаданных указан китайский язык. Лицензия в предоставленных данных не приведена.

Chinese BabyLM First Model — базовый чекпойнт BertForMaskedLM для китайского языка, опубликованный в пространстве проекта Chinese BabyLM. Модель содержит 90,8 млн параметров; архитектура включает 8 слоёв, 12 голов внимания, скрытый размер 768 и словарь из 19 907 токенов. Максимальная длина входа — 512 токенов, веса сохранены в формате safetensors. Модель предназначена для заполнения замаскированных фрагментов китайского текста, продолжения предобучения и использования как начального энкодера для дообучения на классификацию или распознавание текстовых отношений. Это базовый MLM-чекпойнт, а не готовый классификатор: для целевой классификации требуется обучить отдельную голову. В карточке приведены локальные результаты по ZhoBLiMP и задачам AFQMC, OCNLI, TNEWS и CLUEWSC2020; авторы отмечают, что это не официальная заявка на таблицу лидеров. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Это модель генерации команд для понимания диалога, разработанная Rasa Technologies для ассистентов на основе подхода CALM. На вход она принимает текст транскрипта текущего разговора и структурированное описание бизнес-логики ассистента, а на выходе формирует короткую последовательность внутренних команд Rasa, например для запуска сценария, заполнения слотов, уточнения намерения, передачи оператору или поиска ответа в базе знаний. Модель представляет собой дообученную плотную LlamaForCausalLM на базе CodeLlama-13b-Instruct-hf с 12,9 млрд параметров и контекстом до 16 384 токенов. Она рассчитана на английский язык и предназначена для чат-ботов, голосовых помощников, IVR-систем и внутренних ассистентов, использующих CALM. По результатам оценки на тестовом наборе F1 различается по типам команд: например, 0,9722 для StartFlow и 0,9239 для SetSlot, но для SearchAndReply указано 0. Модель генерирует только команды внутренней грамматики Rasa и не предназначена для произвольных ответов пользователю. Проверка проводилась на английском; качество на других языках не оценивалось. Лицензия — Apache 2.0.

ConvNeXT Large — свёрточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» и обученная на ImageNet-1k. Она классифицирует изображения по 1000 классам ImageNet и рассчитана на входное разрешение 224×224 пикселя. Архитектура ConvNeXT основана на свёрточной сети, дизайн которой модернизирован под влиянием Vision Transformers и Swin Transformer. Модель предназначена для классификации изображений общего назначения; доступны реализации для PyTorch и TensorFlow. Модель не описана собственной карточкой разработчиков: карточку подготовила команда Hugging Face. Для задач, отличных от классификации по классам ImageNet, потребуется подходящая дообученная версия. Лицензия — Apache-2.0.

facebook/convnextv2-femto-1k-224 — компактная свёрточная модель семейства ConvNeXt V2 от команды ConvNeXt, представленная в исследовании о совместной разработке и масштабировании ConvNet с маскированными автоэнкодерами. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-1K для классификации изображений с разрешением 224×224 пикселя. Архитектура использует полностью свёрточный автоэнкодер FCMAE и слой Global Response Normalization (GRN). Модель предназначена для отнесения изображений к одному из 1000 классов ImageNet-1K и может служить основой для дальнейшей адаптации под другие задачи распознавания изображений. Доступны веса PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка указывает на применение для классификации изображений; подробные ограничения качества и области применения в ней не приведены.

Это свёрточная модель CS3-DarkNet для классификации изображений и извлечения признаков; её обучил Росс Уайтман с помощью скриптов timm. Архитектура использует Cross-Stage-Partial-соединения и три свёрточных слоя. Модель содержит около 3,3 млн параметров, требует 0,7 GMACs и обучена на ImageNet-1k. Размер изображения при обучении составлял 256 × 256 пикселей, при тестировании — 320 × 320. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Весовые файлы доступны в форматах PyTorch и Safetensors, использовать модель можно через timm. Лицензия — Apache-2.0. Описание не приводит численных результатов именно этой модели, поэтому её точность по карточке оценить нельзя. Классификатор ориентирован на категории ImageNet-1k; его пригодность для других наборов классов зависит от дополнительной настройки.